가이드 연계 퀴즈 · 중간 레벨

음악 장르 분류 퀴즈

오디오 표현, GTZAN의 구성, 장르 모호성, 데이터세트 유출 위험, 아티스트 간 데이터 평가에 대한 내용을 다룹니다.

관련 가이드 경로음악 장르 분류
질문 1 의 8

장르 분류 신경망의 입력으로 일반적으로 사용되는 멜 스펙트로그램은 무엇입니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. 장르 분류 신경망의 입력으로 일반적으로 사용되는 멜 스펙트로그램은 무엇입니까?
    • 지각적 피치 스케일을 사용한 오디오의 시간-주파수 이미지
    • 숫자로 변환된 노래 가사 목록
    • 시간에 따른 원시 진폭만 표시하는 파형
    • 아티스트 이름 및 출시 연도 데이터베이스
  2. 10개 장르에 걸쳐 30초짜리 클립 1,000개가 포함된 클래식 벤치마크 데이터세트는 무엇인가요?
    • 이미지넷
    • GTZAN
    • LibriSpeech
    • 코코
  3. 완벽한 장르 분류 정확도를 달성하는 것이 근본적으로 어려운 이유는 무엇입니까?
    • 컴퓨터는 오디오를 전혀 처리할 수 없습니다.
    • 모든 노래는 알고리즘과 동일하게 들립니다.
    • 장르의 경계가 모호하고 문화적으로 주관적입니다.
    • 오디오 파일이 너무 작아서 분석할 수 없습니다.
  4. 초기 장르 분류 시스템에서 널리 사용된 수작업 기능은 무엇입니까?
    • JPEG 압축 비율
    • HTML 태그 빈도
    • 픽셀 밝기 히스토그램
    • 멜주파수 켑스트럴 계수(MFCC)
  5. 장르 분류기 끝에 있는 소프트맥스 레이어는 무엇을 생성합니까?
    • 장르 클래스에 대한 확률 분포
    • 단일 오디오 파형
    • 압축된 MP3 파일
    • 스펙트로그램 이미지
  6. How can self-supervised music pretraining reduce dependence on labeled genre examples?
    • It eliminates the need to evaluate genre labels
    • It can learn audio representations from unlabeled music, which are then evaluated or fine-tuned with labeled examples
    • It guarantees correct labels for every song
    • It converts genre categories into universal facts
  7. How can exact or repeated excerpts in GTZAN distort a random train/test evaluation?
    • They ensure that every genre label is objective
    • They make the test set contain more genres than training
    • If repetitions cross the split, a model may see duplicate or near-duplicate material in both sets
    • They remove any need to inspect class labels
  8. How do MFCCs differ from a mel-spectrogram representation?
    • MFCCs are the model’s final genre probabilities
    • A mel-spectrogram removes the time axis entirely
    • MFCCs measure only the recording’s file size
    • MFCCs summarize the log-mel spectrum with cepstral coefficients